CN105426290A - 异常信息智能处理方法和系统 - Google Patents

Abstract

本发明提供了一种异常信息智能处理方法，包括：接收异常信息；基于所述异常信息以及历史异常信息，生成描述所述异常信息产生时或之前预定时间段内的系统的一个或多个属性的报警报文；将所述报警报文分类为不同风险等级；针对不同风险等级的报警报文，采用不同的操作。通过本发明，可以减少所生成的实际需要处理的报警报文的次数，避免大量重复预警信息造成的资源和人力浪费。本发明还可以通过不断的迭代学习和能力积累，实现对报警报文的智能化分类和操作。

Description

异常信息智能处理方法和系统

技术领域

本发明涉及一种异常信息智能处理方法和系统。

背景技术

由于大数据应用的普及和深入，大数据平台的规模和容量越来越大，系统结构越来越复杂，运营运维的难度越来越大，相关的投入也越来越多，相应的节点失效问题和数据质量等问题也随之增多，相关从业者逐渐意识到大数据平台不仅应该是一个处理能力强的系统，还应该是一个健壮稳定的系统。

随着大数据供应商和运营商的持续关注和大力投入，目前基于hadoop的分布式框架的相关系统和应用都已经建立了相应的系统监控机制和异常处理机制，并且取得了小范围内的成果。但是大数据平台毕竟是一个紧密联系的整体，任何一项任务或活动都不可能由一个独立的系统完成，各层次结构都有依赖于其他相连接或相邻的系统，其产生的问题影响和异常影响往往也不是独立的，再加上企业越来越重视大数据平台的整体性能和服务质量，因此整合大数据平台各系统的监控系统和异常处理机制，创建一套全面的异常监控和异常处理的工具和系统，是十分重要且有意义的。

现有的多系统平台异常报警处理主要实现方案：

1、各系统产生独立的报警信息，由各自独立的报警处理模块完成报警处理。

2、为确保报警处理的及时性和正确率，系统每天会直接重复发送大量报警信息给用户。

这两种异常处理机制存在以下缺点：

1、大量重复预警信息造成的资源和人力浪费，也会造成人员疲惫，降低对报警信息的警惕性。

2、各系统的异常处理机制不统一，不利于知识管理和知识分析。

发明内容

有鉴于此，本发明提供了一种异常信息智能处理方法，包括：接收异常信息；基于所述异常信息以及历史异常信息，生成描述所述异常信息产生时或之前预定时间段内的系统的一个或多个属性的报警报文；将所述报警报文分类为不同风险等级；针对不同风险等级的报警报文，采用不同的操作。

本发明还提供了一种异常信息智能处理系统，包括：异常接收模块，被配置为接收异常信息；报警报文生成模块，被配置为基于所述异常信息以及历史异常信息，生成描述所述异常信息产生时或之前预定时间段内的系统的一个或多个属性的报警报文；分类模块，被配置为将所述报警报文分类为不同风险等级；以及处理模块，针对不同风险等级的报警报文，采用不同的操作。

通过本发明，可以减少所生成的实际需要处理的报警报文的次数，避免大量重复预警信息造成的资源和人力浪费。并且，在优选实施例中，根据本发明的异常智能处理方法和系统还可以通过不断的迭代学习和能力积累，实现对报警报文的智能化分类和操作。

附图说明

附图用于更好地理解本发明，不构成对本发明的限定，其中：

图1是示出根据本发明实施例的异常智能响应处理系统100的示意框图；

图2是示出根据本发明实施例的异常信息智能处理方法200的流程图；

图3是示出根据本发明实施例的异常信息智能处理系统300的示意框图。

具体实施方式

以下结合附图对本发明的示例性实施例做出说明，其中包括本发明实施例的各种细节以有助于理解，应当将它们认为仅仅是示例性的。因此，本领域的技术人员应当认识到，可对本文描述的实施例做出各种修改和改变，而不脱离本发明的范围和精神。同样为了清楚和简明，以下描述中省略了对公知功能和结构的描述。

图1示出了根据本发明实施例的异常智能响应处理系统100，包括监听器101、配置规则数据库102、异常分析器103、响应解析器104和执行器105。

监听器101从某一个异常系统(例如集群系统120)接收异常信息(也称“异常报警”)。尽管图1中仅示出了集群系统120，实际上还可包括多个异常系统，例如数据库系统、中间件系统、应用系统、服务器系统、架构系统等。因而，异常信息智能处理系统100可从多个异常系统接收异常信息。

然后，监听器101将获取到的异常信息进行配对去重，以报警来源、报警时间、报警次数、报警信息等顺序编码规则，将其加密提交到消息队列中并由异常分析器103进行处理。

异常分析器103对接收到的异常信息进行几个层次的分析。先是进行一般分析，根据报警来源将异常信息进行分类，再次进行配对去重后将主要异常信息进行分段，识别报警类型，报警编码，报警描述，可能原因分析等，之后结合一段时间之内接收到的历史异常信息进行深度分析，对关键属性进行实时计算，例如某容量指标的溢出率分析，这样在一个系统预定的响应区间内(可以是一个时间区间，也可以是一个次数区间)，最终组成一条新的包含认为足够描述系统报警表现(而不是一个临时状态)的报警报文，该报警报文中包括计算得到的系统的一个或者多个属性的值。

需要注意的是，并不是每个异常信息都可能导致实际需要处理的报警报文的产生。在一个实施例中，当同一报警来源的异常信息次数累加超过一定阈值时，生成报警报文。在一个实施例中，当同一报警来源的异常信息在预定的时间区间内发生时，生产报警报文。在一个实施例中，可以设定时间区间及对应的阈值，如果在该时间区间中，同一报警来源的次数超过该阈值，生成报警报文。

可以看出，本实施例的异常智能响应处理系统100比现有异常处理技术生成了更少的需要实际采取措施的报警报文。

接下来，异常分析器将对生成的报警报文进行分类。对报警报文进行分类是整个系统的核心模块，主要原理是在给定或预定的分类规则下，根据报警报文的内容确定所属类别。

在一个实施例中，分类原则可以是基于经验风险最小化原则，其采用径向基函数神经网络分类法对报警报文进行分类。在一个实施例中，还可以采用可能性最大原则进行补充，依据贝叶斯算法预测待选报警信息属于各个类别的最大可能性，构成分类定理成立的独立性假设是若干阀值逻辑单元，对于满足某个阀值逻辑单元，但又与经验风险最小化原则的判断冲突的，以可能性最大原则的分类为主。

之所以将报警报文分类，其目的在于根据分类可以采取不同的操作。在一个实施例中，将报警报文分类为不同的风险等级，例如无风险、低风险和高风险。分别采取以下操作：

针对无风险的报警报文：直接将处理措施发送给系统，同时将报警信息和已处理措施发送用户130进行知会。例如，系统的周期性波动。

针对低风险的报警报文：连同处理措施发送给指定用户130：将报警信息和系统判断的处理措施一同发送给用户，请用户选择是否认可系统的报警信息，系统会在收到用户认可后，或者一段时间依然没有收到用户认可时，将处理措施直接反馈给系统。这类操作方式适用于日常报警、通过自动化处理可维护的故障或问题，出现较频繁，风险较低。

针对高风险的报警报文：将其发送给指定用户130，依据目前的信息足够判断报警状态，依据以往的处理经验不足以判断处理措施的，需要发送给指定用户进行决策，由用户决定进一步的跟进方式，这一类操作方式适用于出现概率较低，影响较广泛，风险较大的事故或问题，通常需要用户及时进行操作的。

可以看出，由于针对不同风险的报警报文采取了不同的操作，减少了需要用户实际交互来进行异常处理的次数。

此外，由于涉及到系统的数据及系统结构问题，所有与用户交互的信息都会通过配置规则数据库进行加密、解密。出于交互智能的角度考虑，通过配置规则将与用户交互的信息编码化，尤其对于处理措施等信息进行智能编码，这样用户在在收到报警信息后，只需要回复相应的处理措施代码，响应解析器就会自动转化成相应的处理命令，通过执行器105反馈给异常系统或来源系统。

此外，为优化异常智能响应处理系统100对报警报文的分类以及自动确定的异常处理措施的准确性，可以将报警报文和用户回复的处理措施代码关联的存储在配置规则数据库中。因此，异常智能响应处理系统100可以通过不断的迭代学习和能力积累，实现对报警报文的智能化分类和操作。

此外，用户130与异常智能响应处理系统100交互的渠道邮件、短信、微信、APP等，根据系统设定不同的渠道。

图2是示出根据本发明实施例的异常信息智能处理方法200的流程图。根据实施例，提供了一种异常信息智能处理方法200，包括：步骤210，接收异常信息；步骤220，基于所述异常信息以及历史异常信息，生成描述所述异常信息产生时或之前预定时间段内的系统的一个或多个属性的报警报文；步骤230，将所述报警报文分类为不同风险等级；以及步骤240，针对不同风险等级的报警报文，采用不同的操作。

在一个实施例中，其中所述异常信息包括报警来源、报警时间、报警次数、报警描述中的一个或多个。

在一个实施例中，方法200还包括：当同一报警来源的异常信息次数累加超过阈值时，生成报警报文；和/或当同一报警来源的异常信息在预定的时间区间内发生时，生成报警报文；和/或当预定时间区间内同一报警来源的异常信息次数超过阈值时，生成报警报文。这样，可以减少所生成的实际需要处理的报警报文的次数。

在一个实施例中，方法200包括基于径向基函数神经网络，将所述报警报文分类为不同风险等级。

在一个实施例中，方法200包括：针对无风险的报警报文，直接发送异常处理措施；针对低风险的报警报文，确定异常处理措施，并向用户转发报警报文和该异常处理措施，以等待用户确认，并且如果用户一段时间内未确认，则直接发送该异常处理措施；针对高风险的报警报文，向用户转发报警报文并等待用户回复的异常处理措施。

在一个实施例中，在方法200中，用户回复的异常处理措施包括处理措施代码。

在一个实施例中，方法200还包括：将用户回复的异常处理错误和对应的报警报文相关联地存储，以优化风险等级分类和优化系统确定的处理措施。这样，方法200可以智能地从用户回复学习如何有效地进行异常处理。长期来看，需要用户手动回复异常处理措施的次数将越来越少，减轻了用户的负担。

图3是示出根据本发明实施例的异常信息智能处理系统300的示意框图。根据实施例，提供了一种异常信息智能处理系统300，包括：异常接收模块310，被配置为接收异常信息；报警报文生成模块320，被配置为基于所述异常信息以及历史异常信息，生成描述所述异常信息产生时或之前预定时间段内的系统的一个或多个属性的报警报文；分类模块330，被配置为将所述报警报文分类为不同风险等级；以及处理模块340，针对不同风险等级的报警报文，采用不同的操作。

在一个实施例中，其中所述异常信息包括报警来源、报警时间、报警次数、报警描述中的一个或多个。

在一个实施例中，所述报警报文生成模块320还被配置为：当同一报警来源的异常信息次数累加超过阈值时，生成报警报文；和/或当同一报警来源的异常信息在预定的时间区间内发生时，生成报警报文；和/或当预定时间区间内同一报警来源的异常信息次数超过阈值时，生成报警报文。这样，可以减少所生成的实际需要处理的报警报文的次数。

在一个实施例中，所述分类模块330还被配置为基于径向基函数神经网络，将所述报警报文分类为不同风险等级。

在一个实施例中，所述处理模块340被配置为：针对无风险的报警报文，直接发送异常处理措施；针对低风险的报警报文，确定异常处理措施，并向用户转发报警报文和该异常处理措施，以等待用户确认，并且如果用户一段时间内未确认，则直接发送该异常处理措施；针对高风险的报警报文，向用户转发报警报文并等待用户回复的异常处理措施。

在一个实施例中，用户回复的异常处理措施包括处理措施代码。

在一个实施例中，系统300还包括存储模块350，所述存储模块350被配置为将用户回复的异常处理错误和对应的报警报文相关联地存储，以优化风险等级分类和优化系统确定的处理措施。这样，系统300可以智能地从用户回复学习如何有效地进行异常处理。长期来看，需要用户手动回复异常处理措施的次数将越来越少，减轻了用户的负担。

需要注意的是，以上仅为本发明的较佳实施例及原理。本领域的技术人员会理解，本发明不限于这里的特定实施例。本领域的技术人员能够做出各种明显变化、调整和替代，而不脱离本发明的保护范围。本发明的范围由所附权利要求界定。

Claims (14)

1.一种异常信息智能处理方法，包括：

接收异常信息；

基于所述异常信息以及历史异常信息，生成描述所述异常信息产生时或之前预定时间段内的系统的一个或多个属性的报警报文；

将所述报警报文分类为不同风险等级；以及

针对不同风险等级的报警报文，采用不同的操作。

2.根据权利要求1所述的异常信息智能处理方法，其中所述异常信息包括报警来源、报警时间、报警次数、报警描述中的一个或多个。

3.根据权利要求2所述的异常信息智能处理方法，其中：

当同一报警来源的异常信息次数累加超过阈值时，生成报警报文；和/或

当同一报警来源的异常信息在预定的时间区间内发生时，生成报警报文；和/或

当预定时间区间内同一报警来源的异常信息次数超过阈值时，生成报警报文。

4.根据权利要求1所述的异常信息智能处理方法，其中基于径向基函数神经网络，将所述报警报文分类为不同风险等级。

5.根据权利要求1所述的异常信息智能处理方法，其中：

针对无风险的报警报文，直接发送异常处理措施；

针对低风险的报警报文，确定异常处理措施，并向用户转发报警报文和该异常处理措施，以等待用户确认，并且如果用户一段时间内未确认，则直接发送该异常处理措施；

针对高风险的报警报文，向用户转发报警报文并等待用户回复的异常处理措施。

6.根据权利要求5所述的异常信息智能处理方法，其中用户回复的异常处理措施包括处理措施代码。

7.根据权利要求5所述的异常信息智能处理方法，还包括：将用户回复的异常处理错误和对应的报警报文相关联地存储，以优化风险等级分类和优化系统确定的处理措施。

8.一种异常信息智能处理系统，包括：

异常接收模块310，被配置为接收异常信息；

报警报文生成模块320，被配置为基于所述异常信息以及历史异常信息，生成描述所述异常信息产生时或之前预定时间段内的系统的一个或多个属性的报警报文；

分类模块330，被配置为将所述报警报文分类为不同风险等级；以及

处理模块340，针对不同风险等级的报警报文，采用不同的操作。

9.根据权利要求8所述的异常信息智能处理系统，其中所述异常信息包括报警来源、报警时间、报警次数、报警描述中的一个或多个。

10.根据权利要求9所述的异常信息智能处理系统，所述报警报文生成模块320还被配置为

当同一报警来源的异常信息次数累加超过阈值时，生成报警报文；

和/或当同一报警来源的异常信息在预定的时间区间内发生时，生成报警报文；

和/或当预定时间区间内同一报警来源的异常信息次数超过阈值时，生成报警报文。

11.根据权利要求8所述的异常信息智能处理系统，所述分类模块330还被配置为基于径向基函数神经网络，将所述报警报文分类为不同风险等级。

12.根据权利要求8所述的异常信息智能处理系统，所述处理模块340被配置为：

针对无风险的报警报文，直接发送异常处理措施；

针对低风险的报警报文，确定异常处理措施，并向用户转发报警报文和该异常处理措施，以等待用户确认，并且如果用户一段时间内未确认，则直接发送该异常处理措施；

针对高风险的报警报文，向用户转发报警报文并等待用户回复的异常处理措施。

13.根据权利要求12所述的异常信息智能处理系统，用户回复的异常处理措施包括处理措施代码。

14.根据权利要求12所述的异常信息智能处理系统，还包括

存储模块350，被配置为将用户回复的异常处理错误和对应的报警报文相关联地存储，以优化风险等级分类和优化系统确定的处理措施。